本文详细介绍了逻辑回归模型，包括其思想、算法、决策边界、代价函数、优点和缺点，以及与朴素贝叶斯和决策树算法的区别。逻辑回归是一种用于分类的机器学习算法，通过对数据拟合sigmoid函数来预测事件发生的概率。尽管名为回归，但它主要用于解决二分类问题。此外，文章还探讨了线性决策边界、非线性决策边界和梯度下降法在优化模型参数中的作用，以及与其他算法的比较。
其他相关文章
DS&ML_关联分析笔记
DS&ML_分类算法笔记之支持自动机SVM模型
DS&ML_分类算法笔记之随机森林、梯度提升树、XGBoost模型
DS&ML_分类算法笔记之k-近邻、KD-Tree模型
DS&ML_降维算法笔记之主成分分析PCA模型
DS&ML_分类算法笔记之朴素贝叶斯模型
DS&ML_聚类算法笔记之k-means模型
DS&ML_分类算法笔记之决策树模型
对于逻辑回归模型的相关知识点的总结与整理
简单描述一下逻辑回归的思想，逻辑回归是什么？
逻辑回归虽然叫回归，但是其实是一种分类机器学习算法，原理是将数据拟合到一个预测logistic函数中，预测logistic函数的值表示取1的概率，而取0的概率就是（1-预测函数值），这样就完成对某些事件发生的概率的预测。简单地说，逻辑回归就是一个梯度下降。(Copyright © http://blog.csdn.net/s_gy_zetrov. All Rights Reserved)
具体算法
对于二分类问题，由于线性回归模型的输出值不能很好的介于01之间，所以引入一个函数g，将逻辑回归表示为hθ(x)=g((θ^T)*x)，其中(θ^T)*x就是线性回归的表达式，θ是参数。
而这个函数g，就是十分著名的sigmoid函数，神经网络中也有用到它。
g(z)=1/(1+e^(−z))
综合上述两式，我们得到逻辑回归模型的数学表达式：
hθ(x)=1/(1+e^((−θ^T)*x))，其中θ是参数。
最低0.47元/天 解锁文章
扫一扫
2001
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
